計算機時代的統(tǒng)計推斷：算法、演化和數(shù)據(jù)科學

定　價：￥119.00

作　者：	布拉德利·埃夫?。˙radley Efron），特雷福·黑斯蒂（Tre 著，杭漢源譯
出版社：	機械工業(yè)出版社
叢編項：	數(shù)據(jù)科學與工程技術叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥119.00)

ISBN：	9787111627524	出版時間：	2019-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	293	字數(shù)：

內(nèi)容簡介

　　本書以豐富的案例介紹了計算機時代下的統(tǒng)計推斷的發(fā)展脈絡，從理論的角度剖析統(tǒng)計推斷的各類算法、證據(jù)等，揭示統(tǒng)計推斷如何推動當今大數(shù)據(jù)、數(shù)據(jù)科學、機器學習等領域的快速發(fā)展并數(shù)據(jù)分析的變革，*后展望了統(tǒng)計學和數(shù)據(jù)科學的未來方向。

作者簡介

　　Bradley Efron 是斯坦福大學 Max H. Stein 教授，統(tǒng)計學教授和生物醫(yī)學數(shù)據(jù)科學教授。他曾在哈佛大學，加州大學伯克利分校和倫敦帝國理工學院擔任過訪問教師。Efron 在統(tǒng)計推斷理論方面進行了廣泛的研究，并且是自舉采樣技術的發(fā)明者。他于 2005 年獲得了國家科學獎章，并于 2014 年獲得了皇家統(tǒng)計學會的金獎。Trevor Hastie 是斯坦福大學的 John A. Overdeck 教授，統(tǒng)計學教授和生物醫(yī)學數(shù)據(jù)科學教授。他是統(tǒng)計學習要素的合著者，這是現(xiàn)代數(shù)據(jù)分析領域的關鍵文本。他還因其在廣義加性模型和主曲線方面的工作以及他對 R 計算環(huán)境的貢獻而聞名。Hastie 在 2014 年獲得了 Emmanuel 和 Carol Parzen 的統(tǒng)計創(chuàng)新獎。

圖書目錄

贊譽
譯者序
前言
致謝
第一部分　經(jīng)典統(tǒng)計推斷
第1章　算法與推斷2
　1.1　一個回歸的例子3
　1.2　假設檢驗5
　1.3　注釋7
　注釋7
第2章　頻率學派推斷8
　2.1　實踐中的頻率學派9
　2.2　頻率學意義下的最優(yōu)化12
　2.3　注釋與細節(jié)13
　注釋13
第3章　貝葉斯推斷14
　3.1　兩個例子15
　3.2　無信息先驗分布18
　3.3　頻率學派推斷的缺陷19
　3.4　貝葉斯學派/頻率學派的對比列表21
　3.5　注釋與細節(jié)23
　注釋23
第4章　Fisher推斷和最大似然估計24
　4.1　似然和最大似然24
　4.2　Fisher信息和MLE26
　4.3　條件推斷28
　4.4　排列和隨機化31
　4.5　注釋與細節(jié)32
　注釋32
第5章　參數(shù)模型和指數(shù)族34
　5.1　單變量族34
　5.2　多元正態(tài)分布36
　5.3　多參數(shù)分布族的Fisher信息量邊界38
　5.4　多項分布39
　5.5　指數(shù)型分布族41
　5.6　注釋與細節(jié)44
　注釋44
第二部分　計算機時代早期方法
第6章　經(jīng)驗貝葉斯48
　6.1　Robbins公式48
　6.2　物種遺漏問題50
　6.3　一個醫(yī)學上的例子54
　6.4　間接證據(jù)156
　6.5　注釋與細節(jié)57
　注釋57
第7章　James-Stein估計和嶺回歸59
　7.1　James-Stein估計59
　7.2　棒球運動員61
　7.3　嶺回歸63
　7.4　間接證據(jù)266
　7.5　注釋和細節(jié)68
　注釋68
第8章　廣義線性模型與回歸樹70
　8.1　邏輯回歸70
　8.2　廣義線性模型75
　8.3　泊松回歸78
　8.4　回歸樹80
　8.5　注釋與細節(jié)82
　注釋83
第9章　生存分析和EM算法85
　9.1　生命表和風險率85
　9.2　刪失數(shù)據(jù)和Kaplan-Meier估計87
　9.3　對數(shù)秩檢驗91
　9.4　比例風險模型93
　9.5　缺失數(shù)據(jù)和EM算法95
　9.6　注釋與細節(jié)98
　注釋98
第10章　刀切法與自助法101
　10.1　標準差的刀切法估計101
　10.2　非參數(shù)的自助法103
　10.3　重抽樣方案106
　10.4　參數(shù)自助法110
　10.5　影響函數(shù)與魯棒估計112
　10.6　注釋與細節(jié)115
　注釋115
第11章　自助法置信區(qū)間117
　11.1　Neyman的單參數(shù)問題的構建117
　11.2　百分位方法120
　11.3　偏差校正置信區(qū)間122
　11.4　二階精度124
　11.5　自助t區(qū)間126
　11.6　目標貝葉斯區(qū)間和置信分布127
　11.7　注釋與細節(jié)131
　注釋131
第12章　交叉驗證與預測誤差的Cp估計134
　12.1　預測規(guī)則134
　12.2　交叉驗證137
　12.3　協(xié)方差懲罰140
　12.4　訓練、驗證與短期預測因子146
　12.5　注釋與細節(jié)148
　注釋148
第13章　客觀貝葉斯推斷和馬爾可夫鏈蒙特卡羅方法150
　13.1　客觀先驗分布150
　13.2　共軛先驗分布152
　13.3　模型選擇與貝葉斯信息準則156
　13.4　Gibbs抽樣和MCMC161
　13.5　示例：模擬人口混合165
　13.6　注釋與細節(jié)167
　注釋167
第14章　戰(zhàn)后時代的統(tǒng)計推斷與方法論169
　注釋171
第三部分　21世紀的話題
第15章　大規(guī)模假設檢驗和錯誤發(fā)現(xiàn)率174
　15.1　大規(guī)模假設檢驗174
　15.2　錯誤發(fā)現(xiàn)率176
　15.3　經(jīng)驗貝葉斯大規(guī)模假設檢驗178
　15.4　局部錯誤發(fā)現(xiàn)率181
　15.5　原假設分布的選擇183
　15.6　關聯(lián)性186
　15.7　注釋與細節(jié)188
　注釋188
第16章　稀疏建模和套索191
　16.1　前向逐步回歸191
　16.2　套索194
　16.3　擬合套索模型197
　16.4　最小角回歸198
　16.5　擬合廣義的套索模型200
　16.6　套索的選擇后推斷202
　16.7　聯(lián)系和擴展203
　16.8　注釋與細節(jié)205
　注釋205
第17章　隨機森林和提升207
　17.1　隨機森林207
　17.2　平方誤差損失的提升212
　17.3　梯度提升216
　17.4　Adaboost：原始的提升算法218
　17.5　聯(lián)系和擴展220
　17.6　注釋與細節(jié)221
　注釋222
第18章　神經(jīng)網(wǎng)絡與深度學習224
　18.1　神經(jīng)網(wǎng)絡與手寫數(shù)字問題225
　18.2　擬合一個網(wǎng)絡226
　18.3　自動編碼器230
　18.4　深度學習231
　18.5　學習一個深層網(wǎng)絡234
　18.6　注釋與細節(jié)235
　注釋236
第19章　支持向量機和核方法238
　19.1　最優(yōu)超平面238
　19.2　軟間隔分類器240
　19.3　作為損失加懲罰的支持向量機準則241
　19.4　計算以及核技巧242
　19.5　利用核的函數(shù)擬合244
　19.6　實例：用于蛋白質(zhì)分類的字符串核函數(shù)244
　19.7　支持向量機：結束語245
　19.8　核平滑和局部回歸246
　19.9　注釋與細節(jié)247
　注釋248
第20章　模型選擇后的推斷250
　20.1　同時置信區(qū)間251
　20.2　模型選擇后的準確率255
　20.3　選擇的偏差258
　20.4　貝葉斯頻率學組合估計260
　20.5　注釋與細節(jié)263
　注釋264
第21章　經(jīng)驗貝葉斯估計策略266
　21.1　貝葉斯反卷積266
　21.2　g-建模和估計267
　21.3　似然、正則化和準確性269
　21.4　兩個例子272
　21.5　廣義線性混合模型276
　21.6　反卷積和f-建模278
　21.7　注釋與細節(jié)280
　注釋280
后記282
參考文獻286